論文の概要: TrafficMOT: A Challenging Dataset for Multi-Object Tracking in Complex
Traffic Scenarios
- arxiv url: http://arxiv.org/abs/2311.18839v1
- Date: Thu, 30 Nov 2023 18:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 15:02:41.212064
- Title: TrafficMOT: A Challenging Dataset for Multi-Object Tracking in Complex
Traffic Scenarios
- Title(参考訳): TrafficMOT: 複雑な交通シナリオにおける多目的追跡のための混在データセット
- Authors: Lihao Liu, Yanqi Cheng, Zhongying Deng, Shujun Wang, Dongdong Chen,
Xiaowei Hu, Pietro Li\`o, Carola-Bibiane Sch\"onlieb, Angelica Aviles-Rivero
- Abstract要約: トラヒックビデオにおける多目的追跡は、交通監視の精度を高め、道路安全対策を促進する大きな可能性を秘めている。
トラヒックビデオにおけるマルチオブジェクトトラッキングのための既存のデータセットは、制限されたインスタンスや単一のクラスにフォーカスすることが多い。
複雑なシナリオを持つ多様なトラフィック状況をカバーするために設計された、広範なデータセットであるTrafficMOTを紹介する。
- 参考スコア(独自算出の注目度): 23.831048188389026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-object tracking in traffic videos is a crucial research area, offering
immense potential for enhancing traffic monitoring accuracy and promoting road
safety measures through the utilisation of advanced machine learning
algorithms. However, existing datasets for multi-object tracking in traffic
videos often feature limited instances or focus on single classes, which cannot
well simulate the challenges encountered in complex traffic scenarios. To
address this gap, we introduce TrafficMOT, an extensive dataset designed to
encompass diverse traffic situations with complex scenarios. To validate the
complexity and challenges presented by TrafficMOT, we conducted comprehensive
empirical studies using three different settings: fully-supervised,
semi-supervised, and a recent powerful zero-shot foundation model Tracking
Anything Model (TAM). The experimental results highlight the inherent
complexity of this dataset, emphasising its value in driving advancements in
the field of traffic monitoring and multi-object tracking.
- Abstract(参考訳): 交通ビデオにおける多目的追跡は重要な研究領域であり、高度な機械学習アルゴリズムを利用して、交通監視の精度を高め、道路安全対策を促進する大きな可能性を秘めている。
しかし、トラフィックビデオにおけるマルチオブジェクト追跡のための既存のデータセットは、多くの場合、限られたインスタンスを特徴付け、単一のクラスにフォーカスする。
このギャップに対処するために、複雑なシナリオで多様な交通状況をカバーするために設計された広範なデータセットであるTrafficMOTを紹介します。
TrafficMOTがもたらす複雑さと課題を検証するために,我々は,完全教師付き,半教師付き,最近の強力なゼロショット基礎モデルであるTracking Anything Model (TAM) の3つの異なる設定を用いて,総合的な実験を行った。
実験結果は、このデータセットの本質的な複雑さを強調し、交通監視と多目的追跡の分野における進歩の推進におけるその価値を強調した。
関連論文リスト
- Traffic Reconstruction and Analysis of Natural Driving Behaviors at
Unsignalized Intersections [1.7273380623090846]
この研究は、TNのメンフィスにある様々な無署名の交差点で、その日の異なる時間に交通を記録していた。
ビデオデータを手動でラベル付けして特定の変数をキャプチャした後,SUMOシミュレーション環境におけるトラフィックシナリオを再構築した。
これらのシミュレーションから得られた出力データは、車両移動の時間空間図、走行時間頻度分布、ボトルネック点を特定するための速度配置プロットなど、包括的な分析を提供する。
論文 参考訳(メタデータ) (2023-12-22T09:38:06Z) - AIDE: A Vision-Driven Multi-View, Multi-Modal, Multi-Tasking Dataset for
Assistive Driving Perception [26.84439405241999]
本稿では,車内と車外の両方でコンテキスト情報を考察するAssIstive Driving pErceptionデータセット(AIDE)を提案する。
AIDEは3つの特徴を通して総合的なドライバー監視を容易にする。
2つの融合戦略を導入し、効果的なマルチストリーム/モーダル表現の学習に新たな洞察を与える。
論文 参考訳(メタデータ) (2023-07-26T03:12:05Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - DIVOTrack: A Novel Dataset and Baseline Method for Cross-View
Multi-Object Tracking in DIVerse Open Scenes [74.64897845999677]
歩行者が密集したDIVerse Openのシーンを対象とした,新しいクロスビュー多目的追跡データセットを提案する。
私たちのDIVOTrackには15の異なるシナリオと953のクロスビュートラックがあります。
さらに,クロスモット(CrossMOT)という統合型共同検出・クロスビュートラッキングフレームワークを用いた新しいベースラインクロスビュートラッキング手法を提案する。
論文 参考訳(メタデータ) (2023-02-15T14:10:42Z) - End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。
本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
論文 参考訳(メタデータ) (2022-10-26T10:19:37Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous
Driving [22.693895321632507]
異なる訓練可能なモジュールからなる確率的、マルチモーダル、マルチオブジェクトトラッキングシステムを提案する。
本手法はNuScenes Trackingデータセットの現在の状態を上回っていることを示した。
論文 参考訳(メタデータ) (2020-12-26T15:00:54Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳(メタデータ) (2020-11-07T19:57:22Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:40:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。